改进差分进化算法及其在模糊聚类分析中的应用

收稿日期：2011-07-11

基金项目：国家自然科学基金（10926157）；国家十一五科技支撑计划（2009BAE69B01）作者简介：曲福恒（1979－），男，博士，主要从事图像处理与模式识别技术研究。

长春理工大学学报（自然科学版）

Journal of Changchun University of Science and Technology （Natural Science Edition ）

第34卷第4期2011年12月

Vol.34No.4Dec.2011

改进差分进化算法及其在模糊聚类分析中的应用

曲福恒1，胡雅婷2，杨勇1，谷欣超1

（1.长春理工大学计算机科学技术学院，长春

130022；2.吉林农业大学

信息技术学院，长春

130118）

摘

要：针对差分进化算法早熟与搜索效率不理想的问题，提出一种改进的差分进化算法。算法在变异阶段采用多策略与

多参数并行的方法一次产生多个变异个体，有效地保持了种群中个体的多样性，抑制了早熟现象的发生。根据竞争机制选择适应度最好的变异个体进行选择操作，提高了搜索效率。与差分进化及其改进算法的对比实验表明了算法的有效性，并把提出的算法应用到模糊聚类分析中，较好的解决了原始聚类模型求解容易陷入局部极值的问题。关键词：全局优化；差分进化；进化策略；聚类分析中图分类号：TP183

文献标识码：A

文章编号：1672-9870（2011）04-0129-04

An Improved Differential Evolution Algorithm with Its

Application in Fuzzy Cluster Analysis

QU Fuheng 1，HU Yating 2，YANG Yong 1，GU Xinchao 1

（1.Department of Computer Science and Technology ，Changchun University of Science and Technology ，Changchun 130022；

2.College of Information and Technology ，Jilin Agriculture University ，Changchun 130118）

Abstract ：A new differential evolution algorithm （DE ）is proposed in this paper to overcome the problem of prema-ture convergence and low search efficiency of the original DE.In the new algorithm ，several mutant individuals are gen-erated simultaneously in each population using different strategies with some specified parameters ，which effectively maintains population diversity and avoids premature phenomenon in the evolution.According to the survival of the fittest law ，the trial individual with the best fitness value will enter the selection stage to generate the new population ，which improves the search efficiency.The contrast experimental results with DE and its improved algorithm show that the ef-fectiveness of the proposed algorithm.The algorithm is also applied into the fuzzy cluster analysis and solves the prob-lem of falling into the local extreme of the original cluster model.

Key words ：global optimization ；differential evolution ；evolution strategy ；cluster analysis

差分进化算法（Differential evolution ，DE ）是由Storn 与Price 提出的一种进化算法［1］，DE 性能良好且易于控制，已经成功的应用于各个领域，成为进化算法的研究热点之一。与其它的进化算法一样，DE 是一种基于种群演化的随机搜索算法。它通过变异、交叉、选择操作引导种群走向优化问题的全局最优解。

DE 的性能主要依赖于新个体的产生策略及算法中的三个控制参数种群规模NP 、缩放因子F 与交叉概率CR 。在面临一个具体的最优化问题时，首先需要确定采用哪种策略来运行DE ，然后还要根

据当前的策略选择合适的参数。选择的不合理可能导致算法的搜索效率低下以及产生早熟收敛的问题。不同的优化问题其适用的策略与参数可能不同，这就需要采用尝试不同的组合来找到最适合于当前问题的策略与参数。DE 的进化策略众多加之不同的参数都具有一定的取值范围，这种穷举尝试的方法在效率上显然是非常低下的。为了解决这个问题，学者们提出了自适应参数或者策略的DE 算法。多数自适应DE 算法集中在参数方面，大体可分为两类，第一类是通过进化过程的信息反馈来调整DE 的参数［2］，第二种是直接把DE 的参数编码于